IMPROVING RESERVES THROUGH THE APPLICATION OF MACHINE LEARNING TO RAPIDLY IDENTIFY AND INTERPRET LOW RESISTIVITY/LOW CONTRAST ZONES IN THE GUMAI FORMATION

• Main Author: Hansen, Winfield
• Format: Final Project
• Language: Indonesia
• Online Access: https://digilib.itb.ac.id/gdl/view/56101
• Institution: Institut Teknologi Bandung

Industri minyak dan gas sudah berada di bawah tekanan yang besar mengikuti jatuhnya harga minyak pada tahun 2014. Wabah COVID-19 memperburuk situasi dengan menurunkan permintaan dengan cara yang belum pernah terjadi sebelumnya. Namun, karena perannya sebagai salah satu pemasok energi terjangkau terbesar, keberadaannya tetap akan penting untuk beberapa dekade mendatang. Dengan menurunnya margin keuntungan dalam bisnis E&P, mengoptimalkan lapangan-lapangan yang sudah ada mungkin adalah strategi terbaik ke depan. Salah satu alternatifnya adalah dengan mengidentifikasi dan mengembangkan reservoir resistivitas rendah/ kontras rendah (LRLC) karena dapat secara signifikan meningkatkan cadangan dan produksi dengan pengeluaran minimum. Namun, karena zona-zona ini sulit dibedakan melalui analisis log konvensional, zonazona ini sering dilewati. Untungnya, penggunaan algoritma pembelajaran mesin telah terbukti dapat meningkatkan efisiensi dan membantu menyelesaikan berbagai permasalahan dalam industri perminyakan. Untuk mengatasi masalah ini, sebuah alur kerja sistematis baru, yang dilengkapi dengan pembelajaran mesin, dikembangkan untuk mengidentifikasi dan menginterpretasi zona LRLC potensial dengan cepat. Zona LRLC dapat didefinisikan sebagai interval hidrokarbon produktif yang komersial tanpa kontras yang berguna dalam resistivitas terukur dengan zona serpih dan/atau zona air. Terdapatnya zona LRLC dapat disebabkan oleh laminasi batupasir-serpih, mineral konduktif, pasir berbutir halus, dan mikroporositas. Dalam semua kasus tersebut, hidrokarbon dengan jumlah yang signifikan telah dilaporkan terproduksi. Pertama, dilakukan analisis menyeluruh atas penyebab-penyebab utama zona LRLC dan manifestasi masingmasing penyebab dalam kurva log. Kemudian, algoritma pembelajaran tanpa pengawasan digunakan untuk mengelompokkan data log berdasarkan kesamaannya. Akibatnya, zona LRLC potensial dapat diidentifikasi secara efisien. Dikombinasikan dengan semua data yang tersedia (misalnya log lumpur, analisis inti batuan, dll.), penyebab zona LRLC dapat diidentifikasi, dan saturasi air dapat dihitung dengan lebih akurat. Alur kerja yang dikembangkan kemudian diterapkan ke 15 sumur dalam formasi Gumai sebagai validasi. Perbandingan dengan hasil yang diperoleh dari analisis konvensional, yang dilakukan oleh pihak ketiga, menunjukkan bahwa program yang dikembangkan dapat mengidentifikasi semua zona LRLC, termasuk zona-zona potensial yang masih terlewatkan oleh analisis konvensional. Alur kerja ini akan membantu analis log untuk mengidentifikasi dan menginterpretasi zona-zona LRLC secara cepat, sehingga dapat meningkatkan efisiensi, mengurangi risiko, menghasilkan keuntungan, dan menciptakan nilai di masa-masa sulit.